Если у вас завалялись лишние десять миллиардов долларов и есть желание построить город будущего — что ж, Toyota вас опередила. В сентябре 2025 года крупнейший автопроизводитель мира официально открыл у подножия горы Фудзи свой полигон мобильности Woven City.

На месте старого завода площадью семьдесят гектаров появились стильные дома из дерева и бетона, подземная инфраструктура водородной энергетики, тоннели для роботов-курьеров. Архитектором выступил Бьярке Ингельс — тот самый, кто проектировал штаб-квартиру Google. Энергия поступает от водородных топливных элементов и солнечных панелей. Дороги разделены на три типа, и они физически не пересекаются.

Жителей пока около сотни. Их называют Weavers — «ткачами», вероятно, в память о том, что Toyota когда-то начинала с ткацких станков. Город закрыт для посторонних: широкая публика попадет сюда, по плану компании, только в следующем финансовом году, и то по записи.

Звучит как очередная корпоративная утопия в духе Кремниевой долины. Но это не так. Это самый аккуратно спроектированный эксперимент по сбору данных о людях, который когда-либо ставила частная компания. Давайте разберемся, что к чему.

Привет, Хабр! В этом материале я расскажу о старой школе Уолл-стрит: инвесторах, управляющих фондами и миллиардерах, которые десятилетиями переживали кризисы, пузыри, обвалы и рыночные эйфории. Они привыкли быть выше хайпа, смотреть на цену, маржу, риски и сроки окупаемости. Для них прорывная технология сама по себе еще не означает хорошую инвестицию, а ИИ-бум стал проверкой на совместимость с новой реальностью. 

Пока молодой рынок дерется за чипы, продавливает дата-центры, сравнивает новые модели и грезит будущей автоматизацией, старая школа задает скучный вопрос: сколько маржи уже заложено в котировки? Поэтому одни уходят в кеш, другие ставят против перегретых бумаг, третьи просто минимизируют число ИИ-фаворитов в своих портфелях — и иногда проигрывают рынку именно из-за осторожности.

Предлагаем посмотреть, как олды относятся к новым технологиям типа ИИ и к доллару в принципе.

Существует множество программных угроз для систем ИИ. Но я расскажу о GDDRHammer — атаке на аппаратную часть. Разберу эту атаку до винтика, то есть покажу, как она реализуется на физическом уровне, и сравню с атакой GeForge того же класса.

Где-то в глубинах робототехнической лаборатории EPFL человек толкает деревянный блок с конвейера на верстак, ставит его на стол, отходит и бросает в корзину. После этой единственной демонстрации три совершенно разных промышленных робота (каждый со своей геометрией суставов и своими физическими ограничениями) повторяют те же действия. При этом никто не переписал ни строчки кода.

Но в реальном цехе такое пока не работает: при замене робота или модели программу пересобирают с нуля. При этом оплачивается работа интеграторов, время простоя. Минута незапланированной остановки на наладке, по отраслевым оценкам, обходится производству от тысячи до 10 тысяч долларов, а сам процесс может растянуться на 2–4 недели сверх плана.

Швейцарские инженеры из EPFL утверждают, что задачу можно закрыть, и, главное, намеренно делают это без AI, выступая против главного технологического мейнстрима 2026 года. 

Разберемся, как это работает, во сколько обходится и почему в этой сфере математика обыграла нейросети.

Каждый раз, когда вы делаете EDA, вы стоите перед выбором: нарисовать быстрый df.plot() - или потратить 10-20 минут на оформление, которое скажет что-то важное про ваши данные. В нашем курсе в МТС Школа Аналитиков Данных мы проверили этот выбор экспериментально: 44 студента сделали 220 EDA-графиков, мы получили 6000 попарных сравнений и проанализировали через CrowdBT. (кстати, уже второй раз!) Результат: победители используют не больше данных, а больше контекста. Фоновые зоны, медианы, адаптивная перекраска, inset-axes - именно эти приёмы отличают скучный график от графика, который меняет решения.

В статье - cookbook из 15 рецептов с кодом "до" и "после" на python. Данные - встроенный seaborn.load_dataset("diamonds"), копируйте, запускайте, вдохновляйтесь.

Хабр, привет! Меня зовут Андрей Вихров, я создавал аналитические системы и внедрял data governance (DG) в крупных компаниях больше 15 лет, а сейчас занимаюсь метаданными в Data Office МТС. Тема порядка в данных для меня не нова, а какие выгоды можно извлечь из нее сегодня — стоит отдельного рассказа.

В компании накоплен огромный массив данных — только в дата‑каталоге зарегистрировано более 500 тысяч таблиц. С ними ежедневно работают сотни специалистов: от продуктовых аналитиков до инженеров данных, строящих витрины для ML‑моделей.

Но в каталоге описаны в основном таблицы — их назначение, поля, владельцы, а вот терминов и тем более их связей на порядок меньше. И это объяснимо: формировать термины сложнее, в производственный процесс они вписываются с трудом, а польза от них неочевидна.

Поэтому каталог чаще всего помогает находить описания по уже известной таблице, но не ответы на конкретные бизнес‑запросы. С ними аналитику все равно приходится разбираться самому, изучая материалы и консультируясь с коллегами, что отнимает много времени.

Логичный выход — автоматизировать процесс. Но если опытный аналитик справляется (рано или поздно) с задачей в существующих условиях, то ИИ‑агент этого сделать уже не сможет, поскольку опирается только на метаданные.

В нашем случае сложились два фактора. За годы работы над DG мы накопили экспертизу в описании и структурировании метаданных. А появление LLM дало возможность создавать семантические слои на промышленной основе и использовать их для ответа на вопросы пользователей. Объединив одно с другим, мы создали и пилотируем систему Метан (метаданные + аналитика).

Привет, Хабр! Сегодня поговорим о том, как роботы работают с предметами в реальной жизни. Современные роботы умеют выполнять множество простых операций, но терпят катастрофический провал в задачах, требующих понимания трехмерных пространственных отношений и физической осуществимости действий. Попробуем разобраться, как с помощью vision-language models (VLM) роботы учатся работать с предметами в пространстве.

Недавно прогремела громкая новость: Google DeepMind будет тестировать ИИ-модели в EVE Online — одной из самых сложных MMO с живой экономикой, корпорациями игроков, дипломатией, войнами и рынками. Лаборатория заключила исследовательское партнерство с Fenris Creations, студией-разработчиком EVE Online, ранее известной как CCP Games. Google также получила миноритарную долю в компании.

Сделка прошла в момент крупной перестройки студии. Fenris Creations вышла из-под контроля Pearl Abyss и стала независимой после соглашения на 120 млн долл. Компания сохранила руководство, команды и текущие проекты, включая EVE Online, EVE Vanguard и EVE Frontier.

DeepMind не будет запускать эксперименты в основном мире EVE Online. Для исследований будет использоваться офлайн-версия игры на локальном сервере. Это позволит тестировать и оценивать модели в изолированной среде.

Зачем ИИ-проектам такие песочницы, чему они будут там обучаться и каким может стать ИИ благодаря такому обучению.

В сферу помощи людям с ограниченными возможностями венчурный капитал и топ-исследователи никогда не спешили. Слишком маленький рынок, сложный пользователь, долгая окупаемость. Но теперь ИИ-индустрия заходит на эту территорию всерьез — полноценным научным проектом на главной конференции года по искусственному интеллекту.

Команда Бингемтонского университета создала робота-поводыря с LLM внутри. В отличие от обычной собаки, он разговаривает с человеком по ходу маршрута: спрашивает, куда нужно, предлагает варианты пути, объясняет, что происходит вокруг. Работу представили в январе 2026 года на конференции AAAI в Сингапуре.

Само по себе появление такого робота — еще не сенсация: каждый месяц на конференциях по ИИ показывают десятки прототипов. Интересно вообще другое. Похожие проекты запускают по всему миру независимо друг от друга. Все используют практически одинаковое железо, похожие языковые модели и решают почти одну и ту же задачу.

Узнаем, как сфера социальных проектов для людей с ОВЗ становится новой индустрией и свежим плацдармом для инженерных вызовов.

Каждое утро начинается одинаково. Лайк, бесконечный скролл, покупка «по рекомендации». Кажется, что это приметы исключительно нашей современности, но эти механизмы были описаны еще десятки лет назад. Через час вы уже не помните, на что смотрели, но фоновая тревога никуда не исчезает. Перед нами те самые «хищные вещи века» — термин, который братья Стругацкие ввели еще в 1964 году, задолго до появления таргета и дофаминовых петель соцсетей. 

Но поначалу мечта была другой. В мире «Полдня, XXII век» Земля — цветущий сад. Реакторы и звездолеты здесь лишь фон для главного — человека‑творца. Формула счастья тогда казалась простой: «Главное — это то, что мы работаем, и то, что нам интересно жить». Технический прогресс виделся прямой магистралью к всеобщему благу.

Однако утопия разбилась о реальность. Стругацкие пришли к пугающему выводу: изобилие ресурсов само по себе не гарантирует счастья. Техника победила голод — но тем самым открыла дорогу другим проблемам: скуке, внутренней пустоте, бегству в искусственные стимулы. Почему при сверхмощных компьютерах мы рискуем превратиться в «сытых животных»?

Попробуем найти ответы в их антиутопиях.

Интернет‑продажи начинают перестраиваться вокруг новой фигуры — ИИ‑агента в роли покупателя. Это уже не чат‑бот поддержки или помощник, который пишет письма. Речь о цифровом посреднике, который получает задачу от человека, ищет товары, сравнивает варианты, проверяет условия, общается с сервисами и берет на себя покупку. Разбираемся, какие функции заберут на себя агенты в индустрии покупок, как к этому подготовились ИИ‑компании и платежные системы, останутся ли нужны красивые сайты с каталогами и к чему готовиться бизнесу, чтобы внезапно не остаться без продаж.

Несколько месяцев назад я делился первыми впечатлениями от покупки робота. Тогда он только начал осваивать квартиру, строил карту и показывал, на что способен в ежедневной рутине. Все выглядело довольно гладко, особенно после старых моделей от iRobot, где уборка превращалась в постоянную борьбу с проводами и забытой в углах пылью.

Сейчас, когда устройство отработало уже солидный срок, я могу посмотреть на него более трезво. Повседневная эксплуатация добавила деталей, которые не видны сразу после распаковки. Аппарат продолжает выполнять свою работу, все неплохо. Но время выявило моменты в эксплуатации, с которыми приходится считаться. Ими сейчас с вами и поделюсь. Поехали! 

Каждый, кто пробовал заставить кодинг-LLM написать вменяемый комментарий к коду на русском, знает, какая это боль. Часто модели либо срываются на английский, либо выдают «кальку», либо игнорируют структуру. А всё потому, что они изначально заточены на английский язык. Огрехи встречаются, в частности, в терминологии: модели путают технические заимствования, например «деплой», «коммит», с их буквальным переводом, что делает текст неестественным для разработчика. В структуре тоже не всегда всё гладко: при генерации на русском модели часто «ломают» установленный для Docstring формат (описание, параметры, return, exceptions), из-за чего IDE перестают подхватывать документацию.

Существующие в природе датасеты для обучения кодинг-моделей вроде CodeSearchNet и The Vault либо не содержат русского языка, либо, как MCoNaLa, заточены на поиск, а не на генерацию документации. Именно эту проблему решают ученые из MWS AI: они самостоятельно собрали датасет StRuCom, как раз ориентированный на обучение ИИ генерировать комментарии к коду.

Под катом — история о том, как он был собран.

Всем привет! Меня зовут Денис Улизко, я CPO CRM-системы Automation of Sales в МТС. Начинал с простого sales: сначала работал в банках, потом в телекоме, а затем углубился в ИТ-направление. За 10 лет продуктового опыта успел поработать в России и за границей — как с небольшими стартапами, так и с достаточно крупными игроками в своей нише.

В этом посте расскажу, какие три механики я забрал с международного рынка и теперь использую в работе почти ежедневно: от процесса интервью и принятия решений до рабочей коммуникации.

Этой статьи бы не было, если бы не случайность. Совсем недавно у меня в семье появился второй славный представитель семейства VAG. Вместе с этим пришло осознание, что пора как минимум обзавестись сканером ошибок и нормальной документацией на автомобиль. И если первое решилось довольно просто, то со вторым пришлось поступить немного необычно. Я решил воспользоваться древней версией приложения ElsaWin (дилерское ПО), в котором есть наиболее детальная и полная информация.

Однако когда я принялся изучать все, что выдала мне программа, то наткнулся на весьма необычный пункт, касающийся диагностики и восстановления оптоволокна. Тут у меня случился небольшой когнитивный диссонанс — оптика в машине, которой стукнуло 23 года. Поэтому решил копнуть глубже и разобраться, действительно ли это вообще есть в моих автомобилях. Заваривайте кофе и добро пожаловать под кат.

Привет, меня зовут Александр Богданов, я ведущий фронтенд-разработчик стрима «Программы лояльности» в MWS. Наша команда отвечает за развитие и поддержку продуктов МТС Premium и МТС Cashback. 

На 2025 год у нас было три активных пользовательских витрины, которые использовали разный стек, разные дизайн-системы, по-разному взаимодействовали с бэкенд-сервисами и имели еще целый набор мелких отличий. Из-за этого разработке приходилось поддерживать зоопарк решений и технологий, а также многократно повторять одни и те же действия на разных стеках. Высокие time-to-market и стоимость разработки одной фичи закономерно не устраивали бизнес, поэтому перед нами поставили задачу — перейти на архитектуру микрофронтендов.

В посте расскажу, как мы это сделали с помощью npm-пакетов и какие результаты получили.

О VR-шлеме я мечтал давно — наверное, еще с момента появления первых новостей о таких девайсах. На какое-то время забыл, но несколько знакомых приобрели подобные системы и рассказывали о «дивном новом мире». Я держался, тратиться на «игрушку» не планировал. Но потом начитался разных отзывов — и загорелся! Хотелось надеть такие очки утром и просто пользоваться ими в течение дня: смотреть видео, работать с виртуальными экранами, читать уведомления и не быть привязанным к обычному монитору.

Когда вышел Meta Quest 3, решил, что момент настал. Шлем стал компактнее, получил цветной режим сквозного обзора и выглядел как устройство для повседневного использования. Я купил его именно с такими ожиданиями. Но спустя несколько месяцев активной работы с Quest 3 девайс все-таки отправился на полку. Почему? Об этом и расскажу ниже. 

Скрипка всегда была особенным музыкальным инструментом. Ее голос складывается из тысяч факторов — от изгиба свода до плотности древесины и того, как воздух резонирует внутри корпуса и расходится вокруг. Известные мастера доводили (и доводят) каждый экземпляр до совершенства на ощупь и на слух, потому что предугадать, как зазвучит очередная заготовка, практически невозможно.

Ученые из Массачусетского технологического института предложили совершенно иной подход. Они построили физическую компьютерную модель, которая позволяет «услышать» скрипку еще до того, как первая стружка упадет с верстака. Давайте разберемся, что произошло и какую роль играют технологии в музыкальной индустрии.

Привет Хабр! Я часто пишу для блога МТС — в основном об аналитике исследований, тенденциях в мире ИТ и ИИ и о нестандартных кейсах. А в недалеком прошлом очень много обозревал всякий софт — от CRM до нишевых решений внутренних сервисов компаний. И решил взяться за старое.

В моей работе есть куча небольших задач, связанных с коммуникацией и обратной связью: бесчисленные переписки и голосовые в чатах, комментарии и все в этом духе, каждая занимает 10–15 минут, не связана с остальными и никак не фиксируется. Из-за этого часть из них теряется, время не фиксируется, а мозг просто взрывается. В какой-то момент понял, что так дальше нельзя: либо я нахожу способ собрать всю эту коммуникацию в одном месте, либо продолжаю терять задачи и нервы.

Решить эту проблему можно с помощью сервисов асинхронной коммуникации. У MWS есть TeamStream: после одного забавного случая (о нем — в тексте) меня туда пригласил @Mimizavr, чтобы посмотреть, как пойдет работа над текстами в новом формате, будет ли так удобнее и понятнее и сможем ли мы сэкономить время на правках. Ну что ж, поехали!

В этом материале расскажу о своем опыте работы с TeamStream и о том, что умеет этот сервис и кому он может пригодиться.

Привет, Хабр! Меня зовут Артем, я дата-инженер. В работе часто приходится выбирать: гонять вычисления в облаке или делать их ближе к данным, и у каждого варианта свои больные места. Но недавно ИИ-нагрузки начали переезжать с облачных GPU на обычные ноутбуки — Microsoft вписала нейропроцессор в требования к Copilot+ PC, AMD и Intel встраивают NPU прямо в SoC. Мне стало любопытно: что там на самом деле происходит?

За маркетинговой шумихой скрывается сдвиг к гибридной архитектуре: тяжёлое остаётся в облаке, массовые задачи разъезжаются по устройствам сотрудников. Это меняет работу тех, кто такой парк закупает и обслуживает — добавляются требования к памяти и поддержке конкретных ИИ-фреймворков, появляется новая задача доставки и обновления моделей на устройствах, а горизонт планирования у ИТ-отделов оказывается короче, чем кажется.

Я заинтересовался темой после одного бенчмарка: NPU в ноутбуке AMD Ryzen AI 300 генерировал изображение 70 секунд, а встроенный GPU того же чипа справлялся за 30 — специализированный нейропроцессор проиграл универсальному вдвое на задаче, под которую его затачивали. Через эту аномалию хорошо видно, как устроены три процессора в одном SoC. Разберём: чем NPU отличается от соседей по чипу, почему всё упирается в память, как LLM удаётся уместить на ноутбуке и что из этого реально работает в корпоративной среде уже сейчас.