Учебный центр НТЦ «Вулкан»

Мы живем во времена, когда технологии развиваются быстрее, чем мы успеваем их осмыслить. То, что вчера казалось фантастикой, сегодня — база. Но вместе с возможностями растут и угрозы.

Сегодня информационная безопасность — это фундамент доверия, доверия между бизнесом и клиентами, между государством и гражданами, между людьми и технологиями, которыми они пользуются ежедневно.

Конференция ISCRA Talks, прошедшая 19.09 в конгресс-холле МГТУ им. Н.Э. Баумана, собрала в одном месте не только профессионалов, которые не боятся говорить о своем опыте и ошибках, но и молодежь, которая не боится задавать провокационные вопросы и искать ответы через диалог.

Всех причастных поздравляем с этим событием! Были лекции, стенды партнеров, специальный мерч, а также награждение победителей розыгрыша!

Всем удачи и до новых встреч!

Исследовательская группа Школы Розенстиля по морским и атмосферным наукам, а также наукам о Земле при Университете Майами опубликовала результаты разработки авиационной системы оптического сканирования на базе искусственного интеллекта, предназначенной для обнаружения неразорвавшихся боеприпасов в мелководных прибрежных зонах.

В основу системы положены две технологии, разработанные NASA: пассивная мультиспектральная технология Fluid Lensing и активная технология MiDAR. Fluid Lensing представляет собой алгоритм, устраняющий искажения, возникающие при прохождении света через нестабильную водную поверхность. Волны действуют как движущиеся линзы, вызывая размытие и смещение объектов под водой. Алгоритм производит коррекцию в режиме реального времени, формируя изображения морского дна с разрешением до 0,3–1 см на пиксель. MiDAR, в свою очередь, представляет собой активную мультиспектральную систему, излучающую свет в диапазоне от ультрафиолетового (375 нм) до видимого (675 нм) спектра. Активная подсветка целевого участка позволяет улучшить освещенность глубин и получать спектральные отпечатки объектов, что критически важно для идентификации заиленных и покрытых биологическим обрастанием боеприпасов. Сбор данных осуществляется с беспилотных летательных аппаратов, выполняющих облет прибрежных территорий по заданному маршруту.

Обнаружение и классификация целей обеспечиваются сверточной нейронной сетью на основе архитектуры YOLO (You Only Look Once), адаптированной в рамках модифицированной версии фреймворка NASA NeMO-Net. Данный фреймворк изначально разрабатывался для классификации коралловых рифов и был перенастроен для задач обнаружения антропогенных объектов на морском дне с учетом их характерных морфологических признаков — формы, размеров и пространственного паттерна.

Экспериментальная валидация системы проводилась на полигоне исследовательской станции Broad Key архипелага Флорида-Кис в условиях, приближенных к реальным. В прибрежной зоне на глубине до 10 метров были размещены четырнадцать инертных боеприпасов, различающихся по цвету, состоянию и размеру (ширина от 2 до 10 см, длина от 25,5 до 66 см). Цели оставались на дне в течение двух месяцев, в результате чего на них образовались отложения осадков и биологические обрастания. После этого были проведены воздушные съемки с использованием пассивных (трех- и десятиспектральных) и активных (восьмиспектральных) режимов визуализации. Обучение модели выполнялось на 2700 синтетически расширенных выборках, полученных из изображений девяти целей.

По результатам экспериментов система продемонстрировала точность около 95% при полноте около 71%, при этом все четырнадцать целей были успешно локализованы по изображениям, полученным как в пассивном, так и в активном режимах. Активная восьмиспектральная технология MiDAR Fluid Lensing продемонстрировала более высокие показатели точности (80–90%) по сравнению с трехспектральной (71–74%) и десятиспектральной (73–89%) пассивной съемкой при сопоставимом пространственном разрешении. Активные спектральные каналы обеспечили устойчивое обнаружение даже при наличии ложных целей, размещенных рядом с реальными объектами. Модель показала способность различать боеприпасы и объекты естественного происхождения, такие как камни и кораллы, а также идентифицировать цели, частично перекрытые отложениями и обрастаниями.

Авторы исследования подчеркивают, что на данном этапе работа носит характер демонстрации концепции и подтверждает жизнеспособность предложенного подхода для масштабного обнаружения неразорвавшихся боеприпасов в мелководных зонах. В исследовании отмечается, что метод не предназначен для выявления объектов, полностью погруженных в слой донных отложений; данная задача остается областью применения магнитометрических и акустических профилирующих систем. Для широкомасштабного применения и сокращения уровня ложных срабатываний требуются дополнительные полевые испытания в различных условиях: в мутных водах, на больших глубинах и в акваториях с разнородными типами донных субстратов.

📕📕📕
Источник Heise-medien
Источник Frontiersin

Группа испанских ученых из компании Multiverse Computing под руководством Борхи Айспуруа представила исследование, демонстрирующее возможность повышения качества работы большой языковой модели за счет интеграции квантовых вычислительных блоков. В исследовании показано, что добавление шести тысяч параметров к модели с восемью миллиардами параметров позволяет снизить показатель перплексности на 1,4% и улучшить точность ответов на ряд вопросов.

Ключевым элементом метода являются параметризованные по Кейли унитарные адаптеры (Cayley-parameterised unitary adapters) — квантовые схемы, встраиваемые в замороженные проекционные слои предварительно обученной модели. В отличие от традиционных подходов, предполагающих полное переобучение модели или использование независимых кодировщиков, данный метод оставляет исходные параметры модели неизменными. Обучение адаптеров выполняется на классическом оборудовании, после чего они загружаются в квантовый процессор для выполнения этапа вывода.

Архитектурное решение ориентировано на минимизацию требований к квантовому оборудованию. Адаптеры строятся как блочно-диагональные унитарные операторы, факторизующиеся на независимые блоки, что позволяет выполнять их в виде мелких схем в пределах текущих ограничений по времени удержания состояния. В экспери- ментах использовался блок размером 4×4, реализованный в виде схемы глубиной 19 вентилей на 156-кубитном процессоре IBM Quantum System Two.

Данная конструкция обходит проблему экспоненциального роста сложности, характерную для унитарных преобразований общего вида, и обеспечивает практическую реализуемость на существующих квантовых устройствах.

В качестве тестовой модели выступала Llama 3.1 8B — широко распространенная открытая модель с восемью миллиардами параметров. Выбор был обусловлен репрезентативностью модели и наличием устоявшихся бенчмарков для оценки качества. Для систематического анализа влияния параметров квантовых блоков дополнительно использовалась модель SmolLM2 с 135 миллионами параметров, позволяющая проводить эксперименты с различными конфигурациями без значительных вычислительных затрат.

Количественные результаты эксперимента на тестовом наборе WikiText показали снижение перплексности на 1,4% при добавлении 6000 параметров, что составляет 0,000075% от общего объема модели. При этом исследователи отмечают, что улучшение перплексности возрастает вместе с увеличением размерности унитарного блока вплоть до точки, где шум квантового оборудования начинает преобладать над вычислительными преимуществами. Данный эффект авторы обозначают как фазовый переход шум-экспрессивность (noise–expressivity phase transition), указывающий на конкретный путь к достижению квантовой полезности при увеличении числа кубитов.

Исследователи подчеркивают, что представленная работа является первой успешной демонстрацией сквозного квантового улучшения предварительно обученной языковой модели производственного масштаба на реальном сверхпроводящем квантовом оборудовании. Значимость результата по их оценке заключается не столько в величине достигнутого улучшения, сколько в самом факте его существования, что открывает путь к дальнейшему масштабированию по мере совершенствования квантового оборудования и увеличения числа доступных кубитов.

Перспективы развития метода связаны с возможностью прямой кодировки всей квантовой схемы, а не только адаптеров, что потенциально позволит достичь более низкой перплексности и более высокой точности при меньшем числе параметров по сравнению с классическими методами. Исследование носит характер подтверждения концепции (proof of concept) и определяет направление для дальнейших разработок в области гибридных классическо-квантовых систем искусственного интеллекта.

📕📕📕
Источник Yahoo Tech

На Хабре вышла большая статья о летней стажировке в Учебном центре НТЦ «Вулкан»! Будет интересно всем, потому что рассказываем о стажировке через призму наставничества.

В статье мы честно рассказали:

✅ Как строится работа над hardware-проектом с нуля в условиях, приближенных к реальным
✅ Топ-5 полезных выводов, которые сделали студенты
✅ Почему ошибки на стажировке — это лучший учитель, а не повод для выговора

Если вы студент и хотите понять, как выглядит реальная инженерная работа, или вы ментор, ищущий инсайты по онбордингу команд — эта статья для вас!

🔗 Ссылка на статью: https://habr.com/ru/companies/ntc-vulkan/articles/1074590/

Поддержите нас кармой на Хабре и задавайте любые вопросы о стажировке в комментариях! 👇

На всемирном конгрессе мобильной связи 2026 года (MWC 2026) в Барселоне прошло обсуждение фундаментальных изменений в сегменте IoT-связи.

Согласно аналитическому отчету IoT Analytics, основанному на обзоре мероприятия и обсуждениях с участием более чем шестидесяти компаний, отрасль движется к более тесной интеграции возможностей подключения, вычислительных ресурсов и управления устройствами, что приводит к фрагментации и специализации рынка по нескольким ключевым направлениям.

Главной темой стало восприятие сетевой инфраструктуры как расширенной вычислительной платформы, а не просто уровня доступа. На сетевом уровне это выразилось в концепции AI-RAN (искусственный интеллект в радиосетях), предполагающей совместное использование вычислительных ресурсов базовых станций. На уровне устройств аналогичный сдвиг проявился в продвижении периферийного искусственного интеллекта (Edge AI), когда выполнение выводов нейронных сетей все чаще переносится непосредственно в подключенное оборудование, что позволяет сократить трафик, задержки и энергопотребление.

Вторым значимым направлением, отмеченным аналитиками, стала интеграция спутниковых и неназемных сетей в основной сегмент IoT-связи. Внеземные сети перестали восприниматься как нишевая услуга для удаленных зон и превратились в стандартный компонент коммерческих предложений операторов.

Starlink на MWC 2026 совершил программный переход от поставщика широкополосного доступа к глобальному оператору мобильной связи, объявив о запуске бренда Starlink Mobile и превышении отметки в десять миллионов активных пользователей спутниковой связи для телефонов. Компания подтвердила намерение использовать глобально скоординированный S-диапазон, приобретенный у EchoStar, и принять стандарт 3GPP R19 NR-NTN для масштабирования услуг.

Третьей ключевой тенденцией стало коммерческое внедрение стандарта eSIM SGP.32 для IoT-устройств. Согласно аналитическому отчету IoT Analytics, фокус рынка смещается с простой удаленной настройки профилей к оркестровке — динамическому управлению несколькими операторскими профилями на одном устройстве, что обеспечивает устойчивость, соблюдение требований постоянного роуминга и независимость от единичного оператора.

Компания Soracom открыла предварительные заказы на свою платформу Connectivity Hypervisor, совместимую с SGP.32, которая уже прошла полевые испытания в автомобильной промышленности. Решение позволяет устройствам активироваться на одном профиле и при необходимости переключаться на наиболее подходящего локального оператора, сохраняя встроенный механизм возврата к основному профилю. Однако аналитики отмечают, что массовое переключение между операторами в масштабе парка устройств пока остается ограниченным ввиду операционной сложности, что создает возможности для поставщиков программного обеспечения, упрощающих этот процесс.

На фоне этих изменений рынок сотовых IoT-модулей, согласно оценкам экспертов, дифференцируется по двум основным направлениям. Стандарт Cat 1 bis остается доминирующим в текущем сегменте, в то время как RedCap и eRedCap формируют траекторию для будущих развертываний, ориентированную на баланс между стоимостью, энергопотреблением и требованиям к пропускной способности.

Аналитики также отмечают переход к постквантовой безопасности и укрепление связи между аппаратным обеспечением устройств, сетевой архитектурой и управлением идентификацией, что свидетельствует о встраивании безопасности непосредственно в жизненный цикл подключенного устройства.

📕📕📕
Источник Security Brief Canada
Источник Iot Business News
Источник Fuse Squared

📲 MAX

Дорогие подписчики, мы рады, что наше сообщество растет! В честь этого и предстоящей конференции ISCRA Talks мы объявляем розыгрыш памятных и уникальных подарков!

Правила участия:
1. Подпишитесь на канал Учебного центра НТЦ «Вулкан»
2. Подпишитесь на канал ISCRA
3. Нажмите «Участвую!» под этим постом
4. Ожидайте результаты 10 сентября в 17:00. С победителями свяжется представитель Учебного центра — не пропустите сообщение!

Что же получат 3 счастливчика???
🎁 Книги по информационной безопасности с персональными пожеланиями от действующих специалистов ИБ
🎁 А также лимитированный мерч, созданный специально для конференции ISCRA Talks

Если вы ждали знак, то это он!
Приглашаем всех желающих присоединиться к ежегодной конференции ISCRA Talks 19.09 в Конгресс-холле МГТУ им. Н.Э. Баумана 👉 Регистрируйтесь как участник и зовите друзей, времени успеть осталось немного!

Коллектив бразильских ученых под руководством Далтона Валадареса совместно с рядом европейских научных центров представил новое исследование, посвященное систематизации угроз безопасности экосистем Интернета вещей (IoT).

Исследование выделяет две категории векторов атак. Первую составляют традиционные угрозы, адаптированные под среду межмашинного взаимодействия (M2M). К их числу относятся атаки типа «человек посередине» (Man-in-the-Middle, MitM), сниффинг сетевого трафика, а также распределенные атаки на отказ в обслуживании (DDoS). Указанные методы сохраняют свою эффективность против слабо защищенных шлюзов и датчиков в силу ограниченной вычислительной способности последних и отсутствия механизмов криптографической верификации трафика.

Вторую, более специализированную категорию составляют атаки, характерные исключительно для IoT-экосистем. Наибольшего внимания заслуживает техника репликации узлов (Node Replication). Сценарий реализации данной атаки включает в себя следующие этапы: физический захват злоумышленником легитимного узла сети (например: видеокамеры, датчика температуры или исполнительного устройства), извлечение криптографических ключей и идентификационных параметров из памяти устройства, последующее создание программных или аппаратных клонов захваченного узла. Созданные реплики внедряются обратно в сеть, где соседние узлы, в силу отсутствия механизмов аппаратной аутентификации, идентифицируют их как легитимные.

С точки зрения сетевой безопасности присутствие реплицированных узлов создает множественные векторы компрометации. Реплики способны инициировать внутренние атаки, искажать собираемые телеметрические данные, организовывать топологические нарушения по типу «черная дыра» (black hole), приводящие к уничтожению транзитного трафика, либо осуществлять подмену команд управления. В условиях автоматизированного производства или мониторинга критической инфраструктуры такие нарушения способны инициировать каскадные технологические сбои.

Дополнительными примерами специализированных угроз, рассмотренных в работе, являются скимминг (skimming) — перехват данных с физических интерфейсов устройств сбора информации, а также атаки, нацеленные на нарушение целостности прошивки в процессе беспроводного обновления (Over-the-Air, OTA).

Значимость работы определяется двухуровневой системой оценки угроз. Первый уровень представляет собой функциональную классификацию с применением модели STRIDE. Данная методология, изначально разработанная корпорацией Microsoft, декомпозирует каждую атаку по шести категориям:

🔤 подделка идентичности (Spoofing) — выдача злоумышленником одного устройства за другое с целью обхода механизмов аутентификации;
🔤 фальсификация данных (Tampering) — несанкционированное изменение передаваемой телеметрии, управляющих команд или хранимой конфигурации;
🔤 отказ от авторства (Repudiation) — ситуация, при которой злоумышленник может отрицать факт совершения действий вследствие недостаточного логирования событий на IoT-устройстве; - раскрытие информации (Information Disclosure) — несанкционированный доступ к конфиденциальным данным, включая ключи шифрования и персональную информацию;
🔤 отказ в обслуживании (Denial of Service) — вывод устройства из штатного режима работы либо блокировка каналов связи;
🔤 повышение привилегий (Elevation of Privilege) — получение субъектом атаки прав доступа, превышающих легитимно назначенные.

Второй уровень классификации базируется на системе оценки уязвимостей CVSS (Common Vulnerability Scoring System). Применение CVSS позволяет перевести качественные описания угроз в количественные показатели — баллы критичности, учитывающие вектор атаки, сложность ее реализации, требуемые привилегии, а также потенциальный ущерб для конфиденциальности, целостности и доступности. Сочетание STRIDE и CVSS дает возможность техническим специалистам анализировать природу угрозы, а руководителям — ранжировать риски и распределять ресурсы на их устранение на основе формализованных метрик.

📕📕📕
Источник Browse-export

📲 MAX

Резидент особой экономической зоны «Технополис Москва», акционерное общество «Научно-исследовательский институт молекулярной электроники» (НИИМЭ), входящее в группу компаний «Элемент», разработал программно-аппаратный комплекс (ПАК) «Звезда», предназначенный для криптографической защиты информации в устройствах Интернета вещей (IoT). Решение является полностью отечественной разработкой: программное обеспечение, микросхема и алгоритмы шифрования созданы в России.

По мере роста количества «умных» устройств, имеющих выход в интернет, вопрос защиты информации в IoT-сетях приобретает все большую остроту. Основными угрозами для IoT-систем признаются: похищение конфиденциальной информации, подмена информации, подмена (компрометация) устройства и DDoS-атаки.

Программно-аппаратный комплекс «Звезда» создает виртуальный защищенный канал передачи данных между конечным устройством и сервером приложений. Решение имеет модульную структуру и состоит из четырех основных компонентов:
- элемент безопасности (ЭБ), представляющий собой микросхему NE51IOT, которая обеспечивает криптографическую защиту на стороне конечного устройства. Микросхема имеет компактный размер (корпус 6x6 или 8x6 мм) и низкое энергопотребление, что позволяет использовать ее в энергоэффективных устройствах;
- модуль безопасности криптосервера (МБС), представляющий собой кластер микросхем элементов безопасности сервера, обеспечивающий криптографическую защиту на стороне серверной инфраструктуры;
- криптосервис, программное обеспечение для управления системой и криптографическими ключами;
- автоматизированное рабочее место (АРМ) администрирования, графическое приложение для взаимодействия администратора с криптосервисом.

Микросхема NE51IOT разработана и производится в России (микросхема «первого уровня»), сертифицирована Федеральной службой безопасности как встраиваемое средство криптографической защиты информации (СКЗИ) по классу КС3, соответствует требованиям СКЗИ-НР (в части защиты от атак инженерного проникновения) и требованиям к средствам электронной подписи. Микросхема может использоваться в качестве «аппаратного корня доверия» (Root of Trust) — защищенного аппаратного хранилища данных, гарантирующего целостность информации.

NE51IOT поставляется в нескольких вариантах исполнения: в виде смарт-карты форм-фактора ID-1, SIM-карт форматов mini-SIM (2FF), micro-SIM (3FF), nano-SIM (4FF), а также в корпусе DFN8 (MFF2) с размерами 5x6 мм.

В ПАК «Звезда» применяются российские криптографические алгоритмы последнего поколения, включая блочный алгоритм шифрования ГОСТ Р 34.12-2015 «Магма», алгоритмы выработки и проверки электронной подписи по ГОСТ Р 34.10-2012, а также алгоритмы хеширования по ГОСТ Р 34.11-2012.

Комплекс использует компактный протокол защиты передаваемых данных CRISP, специально разработанный для Интернета вещей и стандартизованный в России в 2019 году. Данный протокол обладает такими свойствами, как устойчивость к сбоям и отсутствие необходимости предварительной установки защищенной сессии (все сообщения CRISP являются самодостаточными). Решение применимо для различных протоколов транспортного уровня, включая NBIoT, LoRa, NB-Fi, TCP и IP.

ПАК «Звезда» обеспечивает удаленное управление ключевой информацией без демонтажа устройства для регламентной замены криптографических ключей. Управление ключами осуществляется наиболее безопасным методом — с использованием инфраструктуры открытых ключей (PKI). Элемент безопасности клиентского устройства формирует электронную подпись (ЭП) с использованием секретного ключа, уникального для каждого устройства, что позволяет получателю проверять целостность и подлинность любых сообщений, включая архивные.

На стендовых испытаниях криптосервис с кластером из восьми элементов безопасности криптосервера (ЭБКС) обрабатывал свыше 10 миллионов операций в сутки при эмуляции работы тестовой сети из 10 тысяч конечных устройств.

📕📕📕
Источник Iot.ru
Источник НИИМЭ

📲 MAX

Добрый день!

Тестирование окончено.
Студентам, успешно прошедшим тестирование, разосланы приглашения на курс на Яндекс почту.

Всем спасибо и дальнейших успехов!

Добрый день!
Со следующей недели в НТЦ «Вулкан» стартует образовательный курс «Сети для начинающих с упором на ИБ».

Длительность курса составит 5 недель, планируется проведение 4 лекций и 4 лабораторных работ.

В процессе прохождения курса будут рассмотрены следующие темы:
*️⃣ Модели TCP/IP, OSI
*️⃣ Протоколы на всех уровнях модели OSI
*️⃣ Базовые угрозы и защита от них
*️⃣ Построение локальных сетей
*️⃣ Самостоятельная настройка коммутаторов и маршрутиризаторов

Лабораторные работы будут посвящены построению полноценной сети в компании с упором на информационную безопасность.

Участники курса будут отбираться по результатам тестирования.
Тестирование будет проходить с 12:00 14 августа до 12:00 17 августа.

Тестирование состоит из теоретических вопросов с одним или несколькими вариантами ответа. На прохождение тестирования даётся 5 минут!

Всем удачи❤️

Рынок речевых технологий пополнился двумя значимыми обновлениями от корпораций Google и OpenAI, которые задают новые векторы развития человеко-машинного взаимодействия. Google сосредоточилась на художественной выразительности синтезированной речи через интуитивно понятные теги, в то время как OpenAI сделала ставку на глубину аналитики и асинхронную обработку потока.

15 апреля 2026 года Google представила обновление модели Gemini 3.1 Flash TTS, предназначенной для преобразования текста в речь. Ключевой особенностью этого релиза стал отказ от сложных схем параметрической настройки в пользу управления через естественно-языковые маркеры. В отличие от классического подхода, использующего SSML (Speech Synthesis Markup Language), новая система позволяет разработчикам встраивать в исходный текст короткие теги, заключенные в квадратные скобки.

Спецификация модели включает поддержку более 200 аудиотегов, таких как whispers (шепот), laughs (смех), very slow (очень медленно) или happy (счастливый), что позволяет динамически менять эмоциональную окраску, громкость и темп речи внутри одного предложения. Модель поддерживает 70 с лишним языков и многоголосый диалог: система способна автоматически распределять реплики между разными синтезированными персонажами без необходимости склеивания нескольких аудиофайлов.

С технической точки зрения Gemini 3.1 Flash TTS возвращает аудио в формате 24 кГц с использованием PCM или Opus. Стоимость использования составляет $20 за 1 миллион выходных аудиотокенов, что, по оценкам аналитиков, примерно на порядок дешевле решений от ElevenLabs. В целях безопасности все генерируемые треки маркируются цифровым водяным знаком SynthID.

Примерно через три недели после анонса Google, OpenAI выпустила релиз линейки GPT-Realtime-2, которая кардинально меняет парадигму работы голосовых ассистентов. Если традиционные TTS работают по принципу «вопрос — ответ», то новый подход внедряет концепцию «пассивного прослушивания» с элементами автономного мышления.

GPT-Realtime-2 позиционируется как первая речевая модель с уровнем рассуждений GPT-5. Она способна не просто транскрибировать услышанное, а вести непрерывный потоковый анализ (streaming listening), распознавая паузы, междометия и смену контекста. Ключевым нововведением стали «предисловия» (preambles) и параллельный вызов инструментов. Ассистент может произнести фразу «Дайте-ка подумать» или «Проверяю календарь», имитируя человеческую паузу на размышление, в то время как система обращается к базам данных или API.

Модель характеризуется расширенным контекстным окном до 128 тысяч токенов, что позволяет удерживать нить часового разговора. Бенчмарки показывают рост эффективности: в тесте Big Bench Audio точность возросла с 81,4% у предыдущей версии до 96,6%. Архитектурно это решение представляет собой единый сквозной пайплайн (последовательную цепочку обработки данных), объединяющий STT, LLM и TTS, что минимизирует задержки при обработке сложных запросов.

Представленные подходы отражают разницу в философии продуктов. Google Gemini 3.1 Flash TTS нацелен на креативные индустрии, локализацию контента и озвучку диалогов, где требуется высокий контроль над интонацией. GPT-Realtime-2, напротив, сфокусирован на операторской деятельности: колл-центрах, планировании задач и ИТ-поддержке, где приоритетом является способность системы слушать между строк и инициировать действия без жесткой команды пользователя. Оба решения знаменуют переход от генерации голоса по шаблону к контекстуально- зависимому и «эмоциональному» искусственному интеллекту.

📕📕📕
Источник Apidog
Источник Dev.to

📲 MAX

Новая модель GPT-Rosalind позиционируется как инструмент для ускорения ранних стадий разработки лекарственных препаратов, что является одной из наиболее капиталоемких и продолжительных фаз в фармацевтической индустрии.

Традиционный процесс создания нового лекарства от момента идентификации биологической мишени до получения одобрения регулирующих органов в среднем занимает от 10 до 15 лет. Значительная часть этого времени и бюджета (средняя оценка затрат составляет около $2,6 млрд) уходит не на клинические испытания, а начальные исследования: анализ научной литературы, перебор гипотез и интерпретацию противоречивых экспериментальных данных. GPT-Rosalind призвана устранить два основных барьера, тормозящих ранние этапы разработки лекарств: разрозненность рабочих процессов и информационную перегрузку ученых.

В отличие от известных моделей, таких как AlphaFold от Google DeepMind, которые решают конкретную задачу (например, предсказание трехмерной структуры белков), GPT-Rosalind нацелена на более широкий спектр действий. Модель задумана как «рассуждающий агент», способный синтезировать научные доказательства, генерировать гипотезы, планировать эксперименты и взаимодействовать с десятками специализированных баз данных в рамках единого рабочего процесса.

Ключевой особенностью модели является так называемый скептический тюнинг (skepticism tuning). Разработчики сознательно калибровали алгоритм для снижения эффекта сикофантии (sycophancy) — склонности модели «угождать» пользователю или подтверждать неверные предпосылки. Если модель идентифицирует низкоперспективную биологическую мишень, она настроена на отказ от генерации ответа, вместо того чтобы выдавать правдоподобное, но неверное обоснование. Это критически важно для предотвращения дорогостоящих ошибок на ранних этапах разработки.

Результаты тестирования показывают высокую эффективность нового инструмента. На бенчмарке BixBench, оценивающем выполнение реальных биоинформатических задач, модель продемонстрировала лидирующие результаты. В тестах LABBench2 GPT-Rosalind превзошла своего предшественника GPT-5.4 в шести из одиннадцати категорий. При работе с неизвестными РНК-последовательностями (для исключения эффекта заучивания обучающих данных) лучшие результаты модели превысили 95-й перцентиль экспертов-людей в задачах предсказания и около 84-го перцентиля в задачах генерации последовательностей.

Одновременно с моделью OpenAI выпустила бесплатный плагин Life Sciences Research Plugin для платформы Codex. Этот инструмент доступен более широкой аудитории и открывает доступ к интерфейсу для работы с более чем 50 научными базами данных, охватывающих протеомику, геномику и клинические исследования.

Несмотря на впечатляющие показатели, руководство OpenAI, в частности руководитель исследований в области наук о жизни Джой Цзяо, отмечает, что модель не предназначена для автономного создания новых методов лечения. Ее цель — ускорение работы исследователя, а не его замена. Важно отметить, что на сегодняшний день ни один препарат, полностью открытый или разработанный искусственным интеллектом, не прошел третью фазу клинических испытаний. Промежуток между успешным предсказанием функции РНК в пробирке и доказательством снижения смертности у пациентов в контролируемом исследовании остается чрезвычайно большим.

Таким образом, OpenAI предлагает индустрии способ сократить цикл «гипотеза — эксперимент», что в масштабах тысяч лабораторий может привести к значительному кумулятивному эффекту в скорости научного прогресса.

📕📕📕
Источник The News International
Источник DrugPatentWatch 

📲 MAX

За несколько недель до ежегодной конференции для разработчиков WWDC 2026 специалисты обнаружили, что Apple зарегистрировала новый поддомен genai.apple.com. Факт появления такого адреса на DNS-серверах компании свидетельствует о масштабной подготовке к запуску генеративных функций.

Название поддомена напрямую отсылает к генеративному искусственному интеллекту. У Apple уже есть страница, посвященная Apple Intelligence, поэтому появление отдельного адреса может означать запуск полноценного центра генеративного ИИ с демонстрациями возможностей, инструментами для разработчиков или отдельными сервисами для пользователей. Аналитики отмечают, что крупные технологические компании часто заводят специальные ИИ-поддомены как витрину для документации, ресурсов для разработчиков или информации о работе моделей.

Ключевые обновления ожидаются в iOS 27, iPadOS 27 и macOS 27. По информации инсайдеров, Apple готовит новую версию Siri с двумя ключевыми возможностями: во-первых, помощник сможет распознавать и интерпретировать содержимое экрана устройства, во-вторых, он получит поддержку многошагового диалога без потери контекста.

Важным направлением развития станет расширение творческих инструментов. Apple существенно улучшила собственные модели, используемые в Genmoji и Image Playground, поэтому ожидается, что качество генерации изображений заметно вырастет по сравнению с текущей версией. Genmoji позволит пользователям создавать персонализированные эмодзи не только по текстовому запросу, но и на основе фотографий из библиотеки и часто используемых фраз. Планируется также анонс генератора обоев на базе искусственного интеллекта, который будет работать на технологиях Image Playground.

Отдельного внимания заслуживает интеграция сторонних ИИ-моделей. Сейчас Apple Intelligence работает только с ChatGPT, однако компания активно тестирует подключение Google Gemini и Anthropic Claude. В iOS 27 появится функция Extensions, которая позволит пользователям устанавливать совместимые ИИ-приложения и выбирать основную модель через раздел «Настройки». Расширения предоставят доступ к сторонним ИИ-сервисам для работы Siri, а также функций Writing Tools и Image Playground. При этом Apple планирует информировать пользователей, что не несет ответственности за контент, созданный сторонними нейросетями.

Сделка с Google обойдется Apple примерно в миллиард долларов в год. Google Gemini будет выполнять функции суммаризатора и планировщика: первая позволит голосовому помощнику кратко пересказывать информацию из сообщений, новостей и писем, а вторая — расписывать сложные действия, например планировать встречи.

Новые возможности затронут также функции доступности. Apple Intelligence позволит автоматически добавлять субтитры к видео, снятым на iPhone. Голосовое управление научится понимать естественную речь: пользователи смогут отдавать команды обычными фразами. Например, «нажми на путеводитель о лучших ресторанах» в Apple Maps или «открой пурпурную папку» в приложении «Файлы». Функция Visual Intelligence сможет сканировать этикетки с информацией о пищевой ценности продуктов, а также добавлять данные с визиток и документов в приложение «Контакты».

📕📕📕
Источник Mashable India
Источник MacRumors

📲 MAX