Несколько последних лет инженерные группы работают над интересной проблемой — превращением взаимных радиопомех беспроводной связи в вычислительные алгоритмы. Аналоговый по своей сути радиосигнал открыт для ряда вычислительных операций — сложения и других. С помехами не нужно бороться — их просто нужно пустить в нужное русло, и тогда вычисления будут происходить прямо в воздухе во время сеансов связи.

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Сравнительный тест камер флагманских смартфонов (2026): итоги

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Источник изображения: ИИ-генерация Grok 4/3DNews

Не секрет, что в традиционных беспроводных сетях основная проблема заключается в растущей перегрузке спектра и увеличении задержек при одновременной передаче больших объёмов данных от множества устройств. Это особенно заметно в сфере интернета вещей, автономных автомобилей или умных городов, где сенсоры, камеры и другие устройства генерируют огромный трафик, подходящий для задач объединения данных или обучения моделей ИИ. Сегодня этот ресурс теряется, что пора менять.

Классический подход разделяет коммуникацию и вычисления, что приводит к неэффективному использованию ресурсов и высокому энергопотреблению. Сначала данные передаются со всеми возможными решениями для снижения шумов и коррекции ошибок, а затем обрабатываются, также с коррекцией ошибок, тогда как в воздухе во время передачи, за счёт законов физики в области распространения и взаимодействия электромагнитных волн, можно выполнять целый спектр вычислительных операций. Эта технология получила название over-the-air computation (AirComp или OAC) — вычисления «в воздухе».

Вместо подавления помех устройства одновременно передают модулированные сигналы, и их наложение в воздухе выполняет математические операции — суммирование, усреднение, построение гистограмм или даже матричные вычисления. Это радикально отличается от обычных цифровых беспроводных сетей, где интерференция считается врагом и устраняется с помощью алгоритмов коррекции ошибок. Например, одинаковые данные от разных сенсоров складываются в общий сигнал, а приёмник считывает только сумму сигналов. Таким образом, сеть простым образом масштабируется с ростом количества устройств, не требуя передачи каждого пакета данных по отдельности.

Технология уже протестирована в лабораторных условиях. Например, в Университете Южной Каролины на тестовом стенде из пяти передатчиков и базовой станции обучали нейронную сеть распознавать изображения «в воздухе» без передачи сырых данных, достигнув точности 95 %. Аналогичные демонстрации проводились на заседании IEEE 802.11 в марте 2025 года для интеграции в Wi-Fi. Преимущества очевидны: снижение задержек, экономия энергии, повышение эффективности спектра и сохранение приватности, поскольку сырые данные недоступны для перехвата.

Однако внедрение AirComp не так просто. Во-первых, требуется совершенно иной уровень синхронизации фаз и времени, что пока плохо работает, особенно в условиях мобильности, когда фазы сигналов «плывут». Во-вторых, требуются новые протоколы работы беспроводных сетей, совместимые с обычной беспроводной связью, а также соответствующее аппаратное обеспечение. В то же время технологии связи и вычислений развились настолько, что инженеры уверены в скором — в течение пяти лет — появлении «воздушных» распределённых вычислений. В любом случае нам просто некуда будет деться — эфир не резиновый, и лучше распорядиться им с большей пользой.

Большие языковые модели искусственного интеллекта требуют значительных ресурсов не только при обучении, но и при запуске — необходимы существенные объёмы оперативной памяти и мощные графические процессоры. Альтернативу предложили создатели Exo — бесплатной программы для распределённого запуска ИИ на нескольких устройствах. Почти как торренты, только для запуска ИИ.

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Сравнительный тест камер флагманских смартфонов (2026): итоги

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Источник изображения: github.com/exo-explore/exo

Приложение позволяет объединять вычислительные ресурсы нескольких компьютеров, смартфонов и даже одноплатных компьютеров, в том числе Raspberry Pi, для запуска моделей, с которыми ни одна из имеющихся в распоряжении пользователя систем не справилась бы самостоятельно. Ресурсы устройств объединяются по одноранговой сети.

Exo динамически распределяет нагрузку, создаваемую большой языковой моделью, по доступным в сети устройствам, размещая её слои, исходя из доступного объёма оперативной памяти и имеющейся вычислительной мощности. Поддерживаются LLaMA, Mistral, LlaVA, Qwen и DeepSeek. Программа устанавливается на устройства под управлением Linux, macOS, Android или iOS — версии под Windows пока нет. Для работы Exo требуется минимальная версия Python 3.12.0 и, в случае машин под Linux с графикой Nvidia, ряд других компонентов.

Модель ИИ, требующую 16 Гбайт оперативной памяти, можно запустить на двух ноутбуках с 8 Гбайт на каждом; а мощную DeepSeek R1, которой нужны 1,3 Тбайт памяти, в теории можно запустить на кластере из 170 Raspberry Pi 5 с 8 Гбайт. Скорость сети и задержка могут снизить качество работы модели, и разработчики Exo предупреждают, что устройства небольшой производительности способны замедлить ИИ, но с каждым добавленным в сети устройством общая производительность увеличивается. Нельзя также забывать об угрозах безопасности, которые неизбежно возникают при совместном выполнении рабочих нагрузок на нескольких машинах. И даже с учётом этих оговорок Exo представляется перспективной альтернативой облачным ресурсам.

Новую и недавно испытанную технологию NASA по распределённому автоматическому роевому управлению множеством спутников в общих чертах можно описать лозунгом «Общайтесь между собой, будьте на одной волне и работайте вместе, чтобы выполнить работу!». Такой подход позволяет отдельным космическим аппаратам принимать независимые решения, сотрудничая друг с другом для достижения общих целей и всё это без участия человека.

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Сравнительный тест камер флагманских смартфонов (2026): итоги

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Источник изображения: NASA

Технология DSA (Distributed Spacecraft Autonomy) была испытана в малом масштабе в космосе на орбите Земли и в несколько большем — в лаборатории NASA. Испытания в космосе проводились с августа 2023 года по май 2024 года (четыре кубсата NASA Starling были запущены ракетой Electron компании Rocket Lab в июле 2023 года). Стендовые испытания на Земле ведутся около двух лет, и их масштаб постепенно расширяется. В совокупности эти два подхода позволили NASA продвинуться вперёд в создании распределённых вычислительных мощностей для спутниковых группировок.

На орбите Земли четыре кубсата впервые автономно провели научное исследование ионосферы. Программное обеспечение не содержало подробного плана работ — каждый из спутников самостоятельно принимал решения по коррекции орбиты, обмениваясь данными с другими аппаратами в рое. Спутники принимали сигналы GPS и оценивали их задержки, которые изменялись в зависимости от плотности и состояния ионосферы планеты. На основании собранных данных, а также обмена ими между аппаратами, каждый спутник формировал своё собственное исследование, результатами которого делился с остальными. Совместно они планировали дальнейшие шаги.

В лаборатории NASA исследователи собрали имитацию роя спутников в серверной стойке, используя бортовые компьютеры кубсатов. Этот рой тестировался в моделируемых условиях низкой и высокой окололунной орбиты. Перед системой стояли задачи создания распределённой сети для оказания навигационных услуг в окололунном пространстве и на поверхности Луны, а также координации времени на спутниках (низкая гравитация заставляет часы на Луне «тикать» быстрее). Моделирование показало, что автоматическая система распределения задач в роевой группировке без участия человека успешно справляется с управлением 60 спутниками. На следующем этапе NASA планирует увеличить их число до 100 и продолжить наращивание группировки.

«Технология распределённой автономии космических аппаратов действительно уникальна, — поясняют в агентстве. — Программное обеспечение наделяет спутниковый рой научной задачей и “разумом” для её выполнения». В будущем число спутников станет слишком большим для контроля со стороны операторов, и к этому лучше подготовиться заранее.