Неискусственный интеллект

41 миллион токенов на крышку Робота, обученного работать в одной лаборатории, нельзя просто перенести в другую. Меняются камеры, освещение, расположение оборудования и конструкция захвата — и визуально-языковая модель действий, или VLA, перестаёт узнавать знакомую задачу. Обычно для неё приходится заново собирать демонстрации и проводить дообучение. Но всё это дорого и нудно. Почему бы не спихнуть это на ИИ? Так подумали исследователи из Токийского университета, RIKEN, NYU и Google DeepMind и создали проект WetRobo. Вместо готовой политики в новую лабораторию переносят робота, базовый код и Codex, который осматривается на месте и сам пишет управление под конкретную установку. В набор вошли рука AgileX Piper, камеры, захват, правила безопасности в AGENTS.md и по 15 записанных человеком демонстраций для трёх операций. Учёный формулирует задачу обычным текстом. Codex на базе GPT‑5.6‑sol анализирует изображения и состояние робота, пишет программы, запускает их и исправляет после неудачных попыток. Так агент научил робота поднимать крышку чашки Петри, снимать крышку с бутылки и открывать инкубатор. Для чашки он подключил SAM 3, восстановил трёхмерную сцену по RGB-D-кадрам и проверял захваты в MuJoCo до отправки команд роботу. С бутылочной крышкой Codex не стал использовать готовые демонстрации. В одной лаборатории он нашёл крышку через OpenCV, сделал три пробных движения и вычислил, как перемещение руки отражается на изображениях с камер. Первые три захвата не удались. После этого агент изменил положение кисти, зажал крышку, трижды повернул и поднял её. Ту же задачу повторили в другой лаборатории — с иным захватом, числом камер, освещением и расположением оборудования. Здесь Codex написал другое решение: использовал AprilTag для определения координат и MuJoCo для проверки столкновений. Робот снял крышку в обеих установках. На первый успешный захват потребовалось: ▪️ 41,4 млн токенов и 1 час 2 минуты в лаборатории X;  ▪️ 23 млн токенов и 49 минут в лаборатории Y. Для сравнения авторы дообучили VLA-модель π0.5 на 25 видеозаписях из лаборатории X в течение 100 тыс. шагов. Она справилась в исходной установке, но провалила ту же задачу в лаборатории Y. Codex адаптировался в обеих. Теперь ждём, когда он научится перемещать роборуку, и в захвате окажется уже ближайший исследователь! @anti_agi

Рабочий стол для агента Корпоративный ИИ-агент мало похож на сотрудника, если умеет только отвечать в чате. Чтобы довести задачу до результата, ему нужно самостоятельно запускать расчёты, обращаться к данным, работать по расписанию и показывать пользователю нормальный интерфейс. Именно в эту сторону MWS AI развивает MWS AI Agents Platform — платформу для создания ИИ-агентов без программирования. После обновления они получили сразу несколько рабочих инструментов. ✔️ Выполнение кода в песочнице. Агент может сам написать программу для сверки данных, расчёта показателей или подготовки отчёта и запустить её в изолированной среде. Песочница создаётся под конкретную задачу внутри инфраструктуры заказчика, работает с разрешёнными файлами и ресурсами, а внешние подключения для неё заблокированы. Например, финансовый агент может обработать выгрузку из учётной системы, не получая возможности что-либо изменить в самой системе. 💻 Собственный интерфейс вместо вечного чата. Новый конструктор позволяет собирать для агента экраны с кнопками, формами, карточками, таблицами и графиками. Один и тот же агент может выглядеть по-разному для клиента, сотрудника и руководителя. Так, при переносе рейса он покажет билет, доступные варианты, стоимость обмена и кнопку подтверждения. 💻 Работа по расписанию и память между сессиями. Агента можно один раз настроить, после чего он будет в заданное время собирать данные, обновлять дашборд или готовить отчёт. Платформа сохраняет историю запусков и приостанавливает задачу после нескольких ошибок подряд. Агент также может запоминать разрешённые факты о пользователе и сам решать, когда обратиться к корпоративной базе знаний. К ней можно напрямую подключить Confluence или загрузить архив документов. Платформа также научилась автоматически прогонять контрольные вопросы и показывать, на каком этапе сценарий дал сбой. Границы самостоятельности, критерии качества и момент подключения человека при этом задаёт компания. Песочница, запуск по расписанию и долгосрочная память уже доступны заказчикам. Конструктор интерфейсов пока работает в раннем доступе, а в промышленную эксплуатацию должен выйти до конца 2026 года. @anti_agi

Яблочный сервер В последнее время AI-компании начали в огромных количествах скупать обычные Mac mini и Mac Studio. Крупные AI-лаборатории приобрели уже десятки тысяч таких компьютеров, а некоторые стартапы строят на них собственную инфраструктуру. В результате Mac стал самым быстрорастущим продуктовым сегментом Apple: в последнем квартале продажи выросли почти на 29%, до $10,4 млрд. Дело в том, что у Apple Silicon удачно сочетаются производительность, энергоэффективность и, главное, большой объем единой памяти, которой совместно пользуются CPU и GPU. Для запуска больших open-source моделей это особенно удобно: модель можно целиком держать в общей памяти, не пытаясь впихнуть её в ограниченную видеопамять отдельного GPU. При этом Mac гораздо компактнее и экономичнее полноценного серверного железа. Реакция корпорации на это обстоятельство не заставила себя ждать: Apple готовится вернуться на рынок серверов. Компания разрабатывает собственный сервер для разработчиков ИИ, бизнеса и государственных заказчиков. Внутри могут оказаться два или четыре будущих чипа M8 Ultra, а появиться такой продукт, если проект не отменят, должен не раньше 2029 года. Целевой сегмент — AI-inference. Будущие сервера Apple вряд ли смогут конкурировать с AI-кластерами Nvidia в разрезе обучения моделей, а вот для запуска уже обученных моделей они подойдут отлично, в том числе для компаний, которым важно не отправлять данные в публичное облако. Интересно, что Apple рассматривает возможность соединения нескольких M8 Ultra с помощью NVLink Fusion — технологии Nvidia для высокоскоростной связи между чипами. И это при том, что отношения компаний исторически были прохладными. Apple начала использовать GPU Nvidia ещё в 2001 году, но затем между ними возникли серьёзные конфликты. Джобс даже обвинял Nvidia в краже технологий Pixar. Но кто старое помянет... Apple уже использует Nvidia для части новой AI-инфраструктуры Siri. Apple уже выходила на серверный рынок с Xserve в 2002 году, но в 2011-м закрыла продукт. Бывшие сотрудники объясняли провал тем, что Apple плохо понимала корпоративного клиента и не обеспечивала необходимую поддержку. Enterprise никогда не был её главным рынком. Так что одного хорошего чипа тут недостаточно. Apple придётся строить полноценную enterprise-машину: удалённое управление, поддержку крупных клиентов, инструменты для AI-разработчиков и программную экосистему, способную хотя бы частично конкурировать с CUDA. Команда MLX, например, пока небольшая, а её руководитель Они Ханнун в этом году ушёл в Anthropic. Так или иначе, но новый CEO Apple Джон Тернус, кажется, начал работу с места в карьер. Проект сервера он поддерживал ещё около года назад, будучи главой разработки оборудования. Теперь у него есть шанс превратить неожиданный спрос на Mac со стороны AI-компаний в попытку построить новый для современной Apple бизнес. И может быть, его первые шаги во главе компании запомнят не мемами про iPhone Duo, а созданием целого прибыльного направления внутри компании. @anti_agi